Описание:Современный этап развития науки характеризуется существенным усложнением алгоритмов обработки экспериментальных данных. Достаточно часто встречаются ситуации, когда не существует адекватной модели исследуемого объекта, и в этих случаях приходится прибегать к использованию методов машинного обучения – адаптивных методов анализа данных, основанных на использовании информации, содержащейся в самих данных, а не на априорно заданных моделях. Данный курс посвящён изучению методов машинного обучения, к числу наиболее эффективных из которых относятся искусственные нейронные сети и генетические алгоритмы.
В результате усвоения курса слушатель приобретет общие знания о рассматриваемых методах, их теоретических основах, областях применения и особенностях практического использования, а также получит практические навыки работы с некоторыми компьютерными программами и программными средами, в которых реализованы рассматриваемые методы.
Срок обучения – 72 часа (лекции - 42 часа, практические занятия - 30 часов).
Форма обучения – вечерняя (без отрыва от работы).
Организационная форма:
1) Курсы повышения квалификации (КПК);
2) Факультативный курс для студентов МГУ
Учебно-тематический план программы повышения квалификации
«Машинное обучение. Искусственные нейронные сети и генетические алгоритмы»
1 Искусственные нейронные сети (ИНС)
1.1 Основные понятия. Типология задач, решаемых методами машинного обучения. Многослойный персептрон.
1.2 Алгоритм обратного распространения ошибки
и его модификации. Многослойные персептроны.
Выбор оптимальных параметров сети.
1.3 ИНС с общей регрессией. Вероятностная ИНС.
ИНС с функциями радиального базиса.
1.4 ИНС и самоорганизующиеся карты Кохонена.
1.5 ИНС Хопфилда. ИНС Хэмминга. Машина Больцмана.
1.6 Глубокие нейронные сети. Свёрточные нейронные сети
1.7 Генеративные состязательные сети
2 Основы предобработки данных
2.1 Кодирование и нормировка данных. Анализ главных компонент. Оценка значимости входов
2.2 Анализ временных рядов
2.3 Спектральные методы обработки сигналов. Вейвлет-анализ. Вейвлет нейронные сети.
3 Современный инструментарий для практической работы с ИНС
3.1 Основные понятия языка Python и приёмы работы с ним
3.2 Работа с нейронными сетями на языке R
4 Генетические алгоритмы (ГА).
Генетическое программирование.
Метод группового учета аргументов
4.1 Генетические алгоритмы. Многоагентные методы
4.2 Генетическое программирование
4.3 Метод группового учёта аргументов
5 Нечёткая логика
5.1 Основы нечёткой логики. Нейро-нечёткие системы
6 Другие алгоритмы анализа данных.
Решение практических задач
6.1 Комбинированные алгоритмы. Ансамбли. Кластер-анализ
6.2 Работа с нейронными сетями на языке Python
на примере задач обработки изображений
6.3 Решение задач обработки текстовой информации
6.4 Обучение с подкреплением
6.5 Решение обратных задач с помощью ИНС и ГА
7 Самостоятельная работа под руководством преподавателя
7.1 Самостоятельное решение задачи, интересующей слушателя